Apache Flume概述

在这里插入图片描述

1.Flume定义

Flume是cloudera(CDH版本的hadoop) 开发的一个分布式、可靠、高可用的海量日志收集系统。

它将各个服务器中的数据收集起来并送到指定的地方去，比如说送到HDFS、Hbase，简单来说flume就是收集日志的。
在这里插入图片描述

2.Flume基础架构

Flume 运行的核心是 Agent，Flume以agent为最小的独立运行单位，含有三个核心组件，分别是source、 channel、 sink。
在这里插入图片描述

1. Agent（代理）：

Agent 是 Flume 的基本工作单元，负责在节点上启动、运行和管理整个 Flume 进程。
Agent主要有3个部分组成，Source、Channel、Sink。
Agent 可以包含一个或多个 Source、Channel 和 Sink，通过这些组件来实现数据的收集、传输和存储。
Agent是一个JVM进程，它以事件的形式将数据从源头送至目的地。
传输单元，Flume数据传输的基本单元，以Event的形式将数据从源头送至目的地。Event由Header和Body两部分组成，Header用来存放该event的一些属性，为K-V结构，Body用来存放该条数据，形式为字节数组。

2. Source（数据源）：

Source 是 Flume 中用于接收数据的组件，负责从各种不同的数据源（如日志文件、网络端口、消息队列等）收集数据。
Flume 提供了多种不同类型的 Source，用户可以根据需求选择合适的 Source 来收集数据。

Source 类型	描述
Avro Source	Avro Source 允许 Flume 接收 Avro 格式的数据，用于高性能数据交换。Avro 是一种基于二进制编码的数据序列化格式，通常用于跨语言的数据交换。
Thrift Source	Thrift Source 允许 Flume 接收 Thrift 格式的数据，常用于构建高效的分布式系统。Thrift 是一个跨语言的远程服务调用框架，支持多种语言，用于定义和创建跨语言的服务。
Netcat Source	Netcat Source 允许 Flume 通过网络接收数据，使用基于 TCP 或 UDP 协议的 Netcat 工具。它适用于通过网络实时传输数据的场景，如实时日志收集。
Spooling Directory Source	Spooling Directory Source 允许 Flume 监听指定目录中的文件，实时收集文件内容并发送到 Channel 中。这种 Source 适用于监控文件系统中新增的文件，例如日志文件的收集。
Exec Source	Exec Source 允许 Flume 执行外部命令，并将命令的输出作为数据源发送到 Channel 中。它可以用于收集各种类型的数据，例如运行 shell 脚本、调用其他程序的输出等。
HTTP Source	HTTP Source 允许 Flume 监听指定的 HTTP 端口，接收通过 HTTP 协议发送的数据。这种 Source 适用于接收 Web 服务或其他应用程序通过 HTTP POST 请求发送的数据。

3. Channel（通道）：

Channel 是 Flume 中用于存储和传输数据的缓冲区，负责暂存从 Source 收集到的数据，以便后续传输给 Sink。
Flume 提供了多种不同类型的 Channel，如内存通道、文件通道等，用户可以根据需求选择合适的 Channel。

Channel 类型	描述
Memory Channel	将事件存储在内存中，适用于快速数据传输和处理，但需要考虑内存限制。适用于数据流速较快、数据量较小的场景。
File Channel	将事件存储在磁盘文件中，适用于大容量数据和持久性需求。可以处理大量数据和长时间故障恢复。
JDBC Channel	将事件存储在关系型数据库中，适用于需要与现有数据库集成的场景。可以通过 JDBC 接口与各种数据库系统集成，方便数据存储和管理。
Kafka Channel	将事件存储在 Apache Kafka 中，适用于大规模分布式数据流处理。可以利用 Kafka 提供的高吞吐量和持久性来处理大量数据。
Spillable Memory Channel	是内存通道的改进版本，当内存不足时可以将事件溢出到磁盘上的临时文件中。结合了内存通道和文件通道的优点，适用于处理大量数据但又要求高性能的场景。
HDFS Channel	将事件存储在 Hadoop 分布式文件系统中，适用于与 Hadoop 生态系统集成的场景。可以实现数据持久性和容错性，并支持大规模数据存储和处理。

4. Sink（数据目的地）：

Sink 是 Flume 中用于发送数据的组件，负责将从 Channel 中取出的数据发送到指定的目的地（如 Hadoop HDFS、HBase、数据库等）。
Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。
一个 Sink 只能从一个 Channel 读取数据，而一个 Channel 可以发送数据给多个 Sink。
Flume 提供了多种不同类型的 Sink，用户可以根据需求选择合适的 Sink 来发送数据。

Sink 类型	描述	示例
HDFS Sink	将数据写入 Hadoop 分布式文件系统（HDFS）中，适用于大规模数据存储和批量处理。	将日志数据写入 HDFS 中进行长期存储。
Logger Sink	将数据输出到标准输出或日志文件中，适用于调试和监控。	在开发和测试阶段，将数据打印到控制台进行调试。
Avro Sink	将数据以 Avro 格式发送到指定的 Avro 接收器，适用于实时数据传输和多语言支持。	将事件流发送到远程 Avro 服务器进行实时处理。
Thrift Sink	将数据以 Thrift 格式发送到指定的 Thrift 接收器，适用于跨语言数据交换。	将数据发送到使用 Thrift 协议的远程服务端进行处理。
Kafka Sink	将数据发送到 Apache Kafka 中，适用于大规模实时数据处理和流式计算。	将事件流发送到 Kafka 主题，供后续处理和分析。
FlumeNG Sink	将数据发送到另一个 Flume 代理，适用于构建复杂的数据流拓扑结构。	将数据流路由到不同的 Flume 代理进行分布式处理。
ElasticSearch Sink	将数据写入 ElasticSearch 中，适用于全文搜索和实时数据分析。	将日志数据索引到 ElasticSearch 中以便后续查询和分析。
JDBC Sink	将数据写入关系型数据库中，适用于数据持久化和集成到现有数据库系统中。	将数据写入 MySQL、Oracle 等关系型数据库进行存储。

5. 拦截器（Interceptors）：

拦截器是 Flume NG 中的一种可选组件，用于对数据进行实时处理和转换。
用户可以通过配置拦截器来实现诸如数据过滤、数据格式转换等功能，从而更灵活地处理数据流。

6. 通道选择器（Channel Selectors）：

通道选择器是 Flume NG 中的一种可选组件，用于将数据分发到不同的通道。
当一个 Agent 包含多个 Channel 时，可以通过配置通道选择器来决定如何将数据分发到这些通道中。

3.Flume两个版本的区别

Apache Flume 在演进过程中经历了从 Flume OG（Original）到 Flume NG（Next Generation）的重大改进。

Flume OG（原始版本）：
- Flume OG 是 Apache Flume 最初的版本，其设计目标是简化大规模日志数据的收集和传输。
- 该版本的架构较为简单，主要由 agent、source、sink 和 channel 四个核心组件构成。
- Flume OG 的性能和可扩展性相对较低，且在处理大规模数据时可能出现性能瓶颈。
Flume NG（下一代版本）：
- Flume NG 是对 Flume OG 的重大改进和升级，旨在提高性能、可靠性和可扩展性。
- 该版本引入了全新的架构，采用了事件驱动的设计模式，使得数据流能够更高效地处理和传输。
- Flume NG 的架构更为灵活，引入了更多的组件和插件，如拦截器（interceptors）、通道选择器（channel selectors）等，用户可以根据需求定制和扩展数据流处理逻辑。
- Flume NG 支持复杂的拓扑结构，允许用户构建多层级的数据流管道，从而实现更灵活的数据收集和传输。
- 此外，Flume NG 还引入了更多的性能优化和安全性功能，使得其适用于更广泛的使用场景，如大数据分析、日志监控等。